陶哲轩呼吁"放缓AI"，要放缓的不是研究或应用 AI，而是"答案的产生速度远超人类阅读和理解能力"的生产方式。他在演讲里把这个要求说得毫不客气：必须慢下来，完全没理由这么快。他真正反对的，是"解题"这个代理指标正在掏空数学的目的本身——人类理解。知乎
这条线索在四十天里高度密集。2026 年 9 月 11 日，题为《人工智能在数学领域的严重目标错位》（A Severe Misalignment of AI in Mathematics）的公开信发表，陶哲轩是最初签署该声明的 25 位菲尔兹奖得主之一。10 月 6 日，OpenAI 公开了一批数学研究手稿，其内部模型尝试解决约 4000 道数学问题，最终整理出涉及 372 组成果的研究材料，并公开了部分 Lean 形式化证明代码。知乎第一财经
次日，陶哲轩在个人博客转发"人类数学协会"（AHM）的联合声明——他虽非起草人，却选择全文转载并公开声援。声明的措辞重得前所未有：我们强烈敦促所有数学家停止与OpenAI合作，重回以人类理解为核心的科学愿景。知乎36氪
先纠正人设：他不是反对 AI 的卢德分子
这场风波最容易被讲歪的地方，是把陶哲轩写成"害怕新技术的老派数学家"。事实正相反，他反复用三个英文单词概括 AI 的特点：unreliable but powerful——不可靠，但很强大。这是一种应当充分利用、却不能不加核查便直接信任的工具——也正是这个定位，决定了他呼吁"放缓"的确切含义。知乎
他对 AI 能力的判断同样不保守。在今年 7 月的国际数学家大会报告里，他甚至把"AI 工具将能完成相当一部分研究级数学任务"设为工作假设，并特意声明：我并不是要求你希望、相信或接受这一假设是真的。支撑这个假设的是一组受控评测：First Proof 项目第二批十道研究级题目中，有七道至少获得了一套 AI 系统给出的合格解答。承认对手强大，是他全部论证的起点；他要争的不是"AI 行不行"，而是"行"之后数学界该往哪走。知乎知乎
所以他的政策主张从来不是禁令。对于 AI 的滥用，解决办法也不是简单地禁止使用，正如他所说：你不能仅仅为了防止肥胖，就禁止人们吃东西。他要求的是另一套东西：公开披露使用情况、接受独立验证，并明确支持数学界关于负责任使用 AI 的《莱顿宣言》。"放缓"在这个语境里，放慢的是不负责任、不可核验、不给学界留出消化时间的节奏。知乎
第一层逻辑：代理指标正在吃掉目标本身
理解这套主张，第一把钥匙是一个测量学上的经典陷阱：当一个数字指标被全力优化时，它会与它本想衡量的东西脱钩。陶哲轩提醒人们，评测基准只有在尚未接近其目标时，才是一个良好的优化对象。数学的"解题数量"正是这样一个指标：它从来只是"人类理解了没有"的近似读数，一旦公司用算力把读数刷高，读数和现实就开始分道扬镳。知乎
这正是那份联署公开信警告的核心：AI 公司正在让数学研究偏离原本的目标。数学共同体的产品不是答案清单，用陶哲轩在报告中引用的 Thurston 的话说：我们并不是要完成某种抽象规定的定义、定理和证明的生产指标，衡量成功的标准是工作能否帮助人们理解数学和思考数学。把"解决问题"误当成目标，就像把考试成绩当成教育。知乎
第二层逻辑：生成踩了油门，理解还挂着手刹
第二把钥匙是一个速度差。一份证明从产出到真正进入人类知识体系有完整的生命周期，而 AI 只加速了开头：AI模型如今在第一步「生成解答」和第二步「Lean形式化验证」上疯狂加速，但后面三步——理解、消化、写教科书，进度几乎为零。陶哲轩的判断是，数学正在从"证明稀缺"进入"证明丰裕"时代。但整套学术制度——优先权、教职、引用、教科书经典化——全是围绕稀缺设计的，丰裕的第一后果不是繁荣，而是拥堵。知乎知乎
制度消化不了，人更是直接瓶颈。解答变多了，理解却没有同步增加。随着证明生成的速度大幅提高，验证能力变得供不应求。这也是"700 多份文件"最刺痛数学界的地方：生成一份证明的成本趋近于零，读懂一份证明的成本一分没降——被转嫁给人的，恰恰是最贵的那部分劳动。知乎知乎
第三层逻辑：强大的优化器 × 不理解 = 目标错配
第三把钥匙藏在 10 月 9 日加州理工那场"Math 2.0"讲座的幻灯片里，它也是此后舆论战的导火索。那一页的标题是：强大的优化能力加上人类的理解不足等于目标错配风险。知乎
同场讲座的英文原文把因果条件写得更严格：A lack of human understanding of a real-world system is not inherently dangerous. However, when such a lack of understanding is combined with the optimizing power of AI, misalignment can occur。注意句式：不理解本身并不危险，危险的是不理解配上越来越强的优化能力——系统越强大，越没人知道它正被用来做什么。这才是他"放缓"的对象：不是模型参数增长，而是"能力先于理解落地"的部署节奏。知乎
同一批幻灯片里还有那个被疯传的思想实验：给 AI 下一条指令——找一种能通过三期临床试验的癌症疗法，不要犯任何错误。AI 给出一种此前未知的化合物，附了形式化证书，真的通过了试验——但没人说得清它为什么有效。这副药你敢不敢用？肿瘤学家 Vinay Prasad 迅速撰文反驳，他的原话是：医学一直在使用机制并不完全清楚的药。知乎知乎
但这场交锋其实各说各话：陶哲轩问的是"通过了验证"还能不能继续当证据，不是"这个药能不能吃"。医学可以靠大样本试验兜底，数学的"试验"只有证明本身——当证明连专业读者都无法理解时，这门学科赖以运转的信任机制就悬空了。知乎
争议未决，问题已经溢出数学
三层逻辑合起来，是那句刷屏的指控：AI 公司在无休止地加速，却对那之后会发生什么一无所知。而他给出的出路并不悲观，在他看来：实现’数学 2.0’的首要瓶颈，不是技术，甚至不是制度文化，而是想象力。知乎知乎
这就是一个数学家劝放缓值得圈外人认真听的原因。数学界今天争的每件事——没人读完却必须有人签字的稿件、以发布量而非理解论英雄的竞赛——都在代码审查、金融风控、药物研发里以更嘈杂的方式重演；如果连唯一能机器自证对错的学科都消化不了 AI 的产出，其他领域的"理解赤字"只会更大。接下来值得盯的信号也很具体：这批 372 组成果会不会被补上披露、引用与独立验证的行业规范，以及"重回以人类理解为核心的科学愿景"能否从一份声明变成共同体的默认规则。这些约束若持续缺位，这场"放缓"之争就不会是数学界的最后一次。
